1.基于快速谱峭度与时间序列大模型的设备早期故障检测方法，其特征在于，具体按照以下步骤实施：步骤1、选定需要进行故障检测的设备，在设备运作时，由传感器记录设备关键部件的实时运行信号 ；

步骤2、将信号 划分为 段，并通过优化目标函数 进一步划分 为 个子信号，规范化子信号均值为设定值 ，从而得到 的规范化信号 ；

步骤3、分解信号 至不同的频带，选取使得LSESGASG值最大的频段进行滤波，得到信号 的滤波信号 ；

所述步骤3具体按照以下步骤实施：步骤3.1、由步骤2得到信号 的规范化信号 ，构造两个准解析低通和高通分析滤波器 和 ，对 进行多级分解，设 表示第层中由第 个滤波器过滤的频段信号；

步骤3.2、对信号 进行希尔伯特变换，得到 的解析信号 ：(4)

其中，为虚数单位， 是 的希尔伯特变换；

步骤3.3、根据步骤3.2得到的解析信号 ，计算 的包络 ：(5)

步骤3.4、根据步骤3.3得到的包络 ，计算 的对数平方包络 ：(6)

其中，为一个很小的常数值，用于避免对数函数中出现零值；

步骤3.5、根据步骤3.4得到的对数平方包络 ，计算 的对数平方包络谱基尼系数 ：(7)

其中，向量 为 的升序序列， 为的信号量；

步骤3.6、设定快速傅里叶变换时的点数 ， 大于等于信号长度 ，且 为2的幂次方：(8)

其中， 表示快速傅里叶变换；

步骤3.7、对信号 进行快速傅里叶变换，得到频域信号 ：(9)

步骤3.8、计算频域信号 的归一化幅度谱 ：(10)

步骤3.9、根据步骤3.8得到的归一化幅度谱 ，计算信号 的频谱Gini系数 ：(11)

其中，向量 为 的升序序列；

步骤3.10、由步骤3.5与步骤3.9得到频段信号 的对数平方包络谱基尼系数与频谱基尼系数 ，计算 与 的综合指标 ：(12)

其中， 反映了信号包络的稀疏性特征， 利用频域信息提取信号的时频特征；

步骤3.11、选取使得 最大的频段信号 ，得到对应层数 以及中心频率 ，滤波 得到信号 ，从而得到 的滤波信号 ；

步骤4、随机分割 为 个子信号并进行数据增强，输出故障检测结果 ；

所述步骤4具体按照以下步骤实施：步骤4.1、随机分割 为 个子信号并进行数据增强，生成包括 个子信号与其正负信号在内的信号集 ；

步骤4.2、压缩 为低维编码器嵌入 ；

步骤4.3、将编码器嵌入 转换为文本嵌入 ；

步骤4.4、构建软提示 作为信号 的引导信息，辅助大模型进行故障检测；

步骤4.5、选定 BERT 作为故障检测模型；

步骤4.6、定义损失函数以优化模型性能。

2.根据权利要求1所述的基于快速谱峭度与时间序列大模型的设备早期故障检测方法，其特征在于，所述步骤1具体按照以下步骤实施：选定需要进行故障检测的设备，将一个或多个传感器固定在选定设备的关键部件上，记录设备关键部件的实时运行信号 ， 的矩阵表示为：(1)

其中， ，表示由第 个传感器采集的实时信号， 表示传感器总数， 表示 的信号总量， 表示传感器 采集的第 个信号。

3.根据权利要求2所述的基于快速谱峭度与时间序列大模型的设备早期故障检测方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、划分 为 段，每段的信号量为 ，记划分后的信号集合为 ，为划分的第 个子段，给出 的矩阵表示：(2)

步骤2.2、定义 被 个分割点 划分为 段，令 代表 中的第个分段， ， 服从高斯分布 ，依照公式（3）构建的目标函数 优化高斯参数，进而对 进行再划分，以获取 个子信号：(3)

其中， 表示正则化参数， ， 为 的经验协方差；

步骤2.3、步骤2.2得到 个子信号，为了规范化信号，设定固定均值为 ，规范化每个子信号的均值为 ，从而得到信号 的规范化信号 ，其中， 表示 的规范化信号。

4.根据权利要求3所述的基于快速谱峭度与时间序列大模型的设备早期故障检测方法，其特征在于，所述步骤4.1具体如下：随机分割 为 个不重叠的子信号 ， 表示第 个子信号，对子信号 进行数据增强，生成正信号 和负信号 ，最终生成包括子信号 与其正负信号在内的信号集 ， 表示信号集 中的第 个子信号。

5.根据权利要求4所述的基于快速谱峭度与时间序列大模型的设备早期故障检测方法，其特征在于，所述步骤4.2具体如下：自编码器 由编码器 与解码器 两部分组成，对于步骤4.1得到的信号集，编码器 压缩信号 至具有 个特征的嵌入空间 ，并通过解码器 生成重构信号 ，嵌入空间 应使得信号嵌入实例 靠近正信号 ，同时远离负信号 ，此外，为了避免嵌入空间范围过小，应确保嵌入空间 的各特征间有足够差异，以充分涵盖信号多元信息。

6.根据权利要求5所述的基于快速谱峭度与时间序列大模型的设备早期故障检测方法，其特征在于，所述步骤4.3具体如下：大模型本身面向文本，缺乏处理信号任务的能力，为此，选择 个文本嵌入作为原型，通过对齐文本嵌入 与信号嵌入空间 ，激活大模型处理信号任务的潜能，进而获取信号 的文本嵌入为 。

7.根据权利要求6所述的基于快速谱峭度与时间序列大模型的设备早期故障检测方法，其特征在于，所述步骤4.5具体如下：选定BERT作为故障检测模型，BERT的具体架构包括输入层、多层Transformer编码器、池化层以及输出层，每层Transformer编码器包括自注意力计算模块、残差连接与层归一化模块以及前馈神经网络处理模块，使用BERT进行设备故障检测的具体步骤如下：首先，关联信号文本嵌入 与软提示 为 ，通过BERT输入层的词嵌入矩阵转换 为高维语义向量，并采用绝对位置编码技术生成具有时序关联性的特征表示；

然后，特征表示经过多层Transformer编码器建立全局依赖关系后，再经过池化层，通过特殊分类标记[CLS]的隐层状态提取出全局表征向量；

最后，全局表征向量经输出层的全连接分类器进行线性变换，并通过Softmax函数生成故障类型概率分布，输出故障检测结果 ， 为健康状态 或故障状态 中的一种。

8.根据权利要求7所述的基于快速谱峭度与时间序列大模型的设备早期故障检测方法，其特征在于，所述步骤4.6具体如下：定义如下损失函数以优化模型性能：（1）自编码器损失 ，用于优化自编码器 的性能，如公式(13)：(13)

其中， 为相似度函数， 表示自编码器的输入总数；

（2）对比损失 ，用于优化嵌入空间 中信号之间的距离，如公式（14）：(14)

其中， 用于衡量 与 之间的相似性；

（3）嵌入损失 ，用于优化嵌入空间 的不同特征，如公式（15）：(15)

其中， 表示实例 的第 个特征， 和 表示 正负信号的对应特征；

（4）对齐损失 ，用于对齐文本嵌入 与信号嵌入空间 ，如公式（16）：(16)

其中， 表示对齐项， 为对比项；

（5）软提示嵌入损失 ，用于优化软提示 ，如公式（17）：(17)。